@lazydog V 站也要搞水军？离谱

@diyer22 DDN 和 RVQ （ Residual vector Quantization ）我觉得结合 GPT 在训练时候可能都有一个问题，就是第一层的码本（对应着 DDN 第一个 level ）的重建都相当好，但其余码本的效果就比较差。
因为 DDN 好像不同 level 之间也类似于的“残差”？但是在样本空间，而不是在 latent space 。
我就是做语音的，在图像领域最新的论文（ Diffusion Transformers with Representation Autoencoders ）好像也表示不压缩效果更好。但用 CFM 去做生成的话，好像利用样本空间的分布直接生成的效果不是很好，而用 latent space 的分布更好，我感觉 DDN 的分布更接近于样本空间？
不知道训练的效率怎么样，我找个时间在更大的数据集上跑跑试试。

哇，大佬一个人创新算法，膜拜。还有请教下最近做的工作感觉，FSQ codebook usage 能到 1 ，大佬觉得 VQ-VAE codebook collapse 还是问题吗？

支持，x 关注了，github 星星了。我简单看了下，感觉有点像 RVQ ？

大家意见挺好，我自己也没想好有什么用，做来玩玩。真人录音的付费意愿都很低，AI 现在更平淡。

@midpoint 架构没什么创新的地方就是用播客数据微调的

@metalvest 可以的在点进官网就可以用

@Miller5991 已经更新了，有兴趣可以试试

@sanebow 这是不同的技术分支，起源是 AudioLM 为代表的一系列论文

@jiayouzl whitenoise 看一下

@siknet 断句没有预处理的，如果没有标点或者空格隔开的话，模型根据语义自动断句。有标点空格模型可能会知道有断句，但是也不不一定会断，总之比较玄幻，只能提示。

Gunicorn 支持静态文件啊

@jianchang512 多语言怎么讲呢，说实话我不太感冒，感觉都是证明学术有多厉害实际上不好用。影视配音是最终目标。

@OneMan 微信 nonamehorse

@antkites 等后面安排吧，目前生成的还不太稳定。

@zoharSoul 速度实时没问题，最后价格一个小时语音估计要两块钱左右，现在是免费的。

@zagfai 小众方言难做啊，我就是说粤语的，配音没听出来一口广普味？

@zoharSoul 就是 tts ，就是应用场景估计和传统的有区别，需要好好想想

@shadio 估计支持 ssml 难度比较大，因为有上下文理解能力，就是会根据文本信息和声音信息自己生成情绪，语气等